2026年6月2日、Kai Zhang氏ら14名の著者による論文「SaliMory: Orchestrating Cognitive Memory for Conversational Agents」がarXivに投稿された。この研究は計算と言語（cs.CL）および人工知能（cs.AI）の分野に属する。論文は、生涯の伴侶として機能する対話エージェントが、すべての相互作用にわたって永続的な記憶を維持する必要があることに焦点を当てている。
研究によると、生の検索でコンテキストウィンドウを単に拡大すると推論品質が低下し、標準的な強化学習で記憶エージェントを訓練すると多段階パイプラインに深刻な信用割当のボトルネックが生じる。この問題を解決するため、研究チームはSALIMORYフレームワークを提案した。これは、ユーザーの事実、好み、作業記憶にわたる認知構造化記憶を管理するよう単一の言語モデルを訓練する。
SALIMORYの核心的な革新は、階層的段階別プロセス報酬と報酬分解型対照的洗練の導入にある。この方法は、異なる記憶操作（選択的フィルタリング、統合、手がかり駆動型想起）に対してエンドツーエンドで分離した監督を提供する。これにより、モデルは疎な最終報酬信号に依存するのではなく、各段階で何に注目すべきかをより効果的に学習できる。
実験結果は、SALIMORYが記憶に起因する失敗を3分の1削減し、エンドツーエンド精度で現在の最先端手法を10%以上上回り、「良好なパーソナライゼーション」率を2倍以上に向上させることを示している。これらの改善は、認知構造化された記憶管理と精密な報酬設計を通じて、対話エージェントの長期記憶能力とパーソナライゼーションサービスを大幅に向上できることを示唆している。
論文の投稿履歴によると、v1版は2026年6月2日18:31:50 UTCに提出され、ファイルサイズは5,475 KBである。PDFと実験的なHTML版が提供されており、関連するコードとデータへのリンクはarXivページからアクセスできる。この研究は、永続的な記憶を持つ対話エージェントを構築するための新しい訓練パラダイムを提供し、複雑な記憶操作における効果的な信用割当の重要性を強調している。